Contexte technique
J’aime ces choses non pas pour la démo spectaculaire, mais pour l’architecture. Ici, ce n’est pas « Claude a dessiné un site », mais un véritable schéma d’automatisation IA : Claude reçoit le design, assemble le HTML/CSS, puis effectue lui-même un cycle build-verify via MCP et une vérification dans le navigateur.
En substance, c’est une boucle fermée. Je la vois ainsi : source du design, puis génération de code, ensuite rendu dans Chrome, capture d’écran, comparaison visuelle avec la référence et corrections ciblées jusqu’à un seuil de correspondance souhaité.
La discussion a mentionné la combinaison de Chrome MCP et Paper. Paper.design semble ici jouer le rôle d’une couche avec la référence ou l’aperçu du design, pas d’un bouton magique. Et c’est un détail important : la valeur n’est pas dans un seul outil, mais dans le fait que Claude reçoit un retour mesurable, et non un abstrait « fais ressembler ».
C’est là que je tempérerais immédiatement l’enthousiasme. Les affirmations de correspondance presque parfaite semblent super, mais un tel pipeline ne vit que si vos polices, points de rupture, échelle du navigateur, marges et les design tokens eux-mêmes sont stables. Un léger décalage dans la source, et le cycle commence à réparer les symptômes au lieu de la cause.
Si on le fait intelligemment, je diviserais la page en sections et exécuterais la vérification par composants. Ainsi, Claude hallucine moins sur la grille et le diff devient significatif : pas « tout est faux », mais précisément line-height, padding, radius ou largeur du conteneur.
Ce que cela change pour les entreprises et l’automatisation
Le premier bénéfice est évident : moins de QA manuel entre designer et front-end. Quand l’intégration de l’intelligence artificielle est liée à la vérification visuelle, les corrections cessent de tourner en rond dans les chats et les outils de suivi.
Le second point concerne l’économie. Pour les landing pages, pages marketing et blocs UI, cela accélère réellement l’AI implementation car l’équipe passe du temps non pas sur la routine pixel, mais sur la logique, l’accessibilité et la performance.
Mais ceux qui tenteront d’appliquer cela à un processus de design chaotique perdront. Si les maquettes sont désordonnées, un skill personnalisé ne sauvera rien ; il automatisera simplement le désordre plus vite.
Chez Nahornyi AI Lab, nous résolvons ce genre d’histoires précisément au niveau du pipeline, pas avec une démo tape-à-l’œil : là où MCP est nécessaire, là où un screenshot diff suffit, et là où il vaut mieux ne pas construire d’automatisation IA autour de la mise en page. Si votre design se bloque régulièrement entre Figma et la production, on peut décomposer le processus sereinement et monter un AI solution development sur mesure pour votre équipe sans spectacle superflu.